DOI: 10.1590/1413-81232021269.2.
31192019 3409
Desigualdades regionais e o papel dos recursos federais no SUS:
fatores políticos condicionam a alocação de recursos?
Regional inequalities and the role of federal resources in the SUS:
do political factors affect the allocation of funds?
Gregory dos Passos Carvalho (http://orcid.org/0000-0003-3173-9732) 1
Abstract The research problem in this paper is
a discussion of the political factors affecting the
allocation of federal resources in the SUS (Uni-
fied Health System) and its effects on regional
inequalities in Brazil. The main objective was to
explore the influence of political factors as criteria
for the distribution of federal funds, considering
the regional inequalities of the country. A mixed
method was used by collecting quantitative data
to study the allocation of resources for each unit
of the Federation, from 2003 to 2017, in search of
outliers, which require more in-depth explanation
based on qualitative research methods. The fuzzy-
set QCA software was applied in the qualitative
research phase for identification of technical and
political conditions, where required and/or suf-
ficient, for an atypical distribution of resourc-
es from one year to another. The quantitative
analysis demonstrated the decrease of regional
inequalities in allocation of resources to States in
the North and Northeast. However, when study-
ing the constraints of the distribution of the funds
for the States of these regions, qualitative analy-
sis demonstrated the influence of political factors
on the allocation of resources, rather than purely
technical factors.
Key words Political factors, Resource allocation
1
Instituto de Ciência
Política, Universidade de in health, Political science, Data analysis, Qual-
Brasília. Prédio IPOL/IREL itative comparative analysis
- IPOL, UNB Área 1. 70904-
970. Brasília DF Brasil.
gcarvalho.pol@gmail.com
POLÍTICA DE SAÚDE, IMPLEMENTAÇÃO DE PRÁTICAS HEALTH POLICY, IMPLEMENTATION OF PRACTICES
Resumo O presente trabalho apresenta como
problema de pesquisa a discussão de fatores po-
líticos enquanto condicionantes na alocação de
recursos federais no SUS e seus efeitos nas desi-
gualdades regionais. Tem como objetivo princi-
pal explorar a interveniência de fatores políticos
como critérios na distribuição de recursos federais,
considerando as desigualdades regionais no país.
Utilizou-se método misto, por meio de coleta de
dados quantitativos para se estudar a alocação dos
recursos para as unidades da federação entre 2003
e 2017, em busca de casos emblemáticos (outliers)
que demandem explicações mais profundas com
base em métodos qualitativos. Aplicou-se o méto-
do fuzzy-set QCA na etapa qualitativa de pesqui-
sa para identificação de condições técnicas e polí-
ticas, enquanto necessárias e/ou suficientes, para
uma distribuição atípica de recursos de um ano
para o outro. Como resultado, a análise quanti-
tativa demonstrou a diminuição das desigualda-
des regionais na alocação de recursos de média e
alta complexidade para estados das regiões Norte
e Nordeste. Porém, ao estudar as condicionantes
da distribuição dos recursos para os estados dessas
regiões, a análise qualitativa demonstrou a influ-
ência de fatores políticos, e não somente fatores
técnicos.
Palavras-chave Fatores políticos, Recursos finan-
ceiros em saúde, Ciência política, Análise de da-
dos, Análise qualitativa comparativa
3410
Carvalho GP
Introdução
O presente trabalho traz à tona o debate acerca da
possibilidade de fatores políticos serem critérios
para distribuição dos recursos federais a estados
e municípios no Sistema Único de Saúde (SUS).
Recentemente, um estudo sobre transferên-
cias de recursos no SUS identificou alinhamento
partidário entre prefeitos e o presidente da Repú-
blica como fator estatisticamente significante na
alocação de recursos para municípios, indicando
que a distribuição de recursos do SUS possa ser
explicada por fatores políticos1. Porém, para a li-
teratura especializada em transferências intergo-
vernamentais, os critérios de partilha dos recur-
sos do SUS estruturados a partir dos anos 1990
colocariam a saúde em situação distinta do que
ocorre nas transferências voluntárias da união
(TVUs) – essas sim possuindo um considerável
componente político na sua alocação2,3, em que
emergem a influência de fatores vinculados ao
presidencialismo de coalizão e às eleições.
Em decorrência dessa distinção, praticamen-
te não há discussão acerca de fatores políticos in-
fluenciarem na alocação de recursos do SUS. Po-
rém, deve-se destacar que a literatura no campo
da saúde indica que os critérios de distribuição
de recursos previstos nos marcos legais do SUS,
que contribuiriam para diminuição das desi-
gualdades regionais e maior transparência, ainda
não foram efetivamente implementados, seja por
motivações operacionais ou mesmo por falta de
vontade política4.
Diante dessas divergências e tomando por
base os achados de efeitos políticos na alocação
de recursos do SUS1 e a ausência de aplicação dos
critérios dispostos nos marcos legais4, pode-se re-
considerar a distinção entre as TVUs e as transfe-
rências do SUS, tema esse ainda incipiente e que
pode ser mais bem estudado.
Dito isso, este trabalho apresenta como pro-
blema de pesquisa a discussão de fatores po-
líticos enquanto condicionantes na alocação
de recursos federais no SUS e seus efeitos nas
desigualdades regionais. Assim, tem-se como
objetivo principal explorar a interveniência de
fatores políticos como critérios na distribuição
de recursos federais no SUS, considerando as
desigualdades regionais no país. Em síntese, será
realizada a aplicação de método misto, tendo
como objeto de análise a alocação dos recursos
do bloco da média e alta complexidade em saúde,
dada a representatividade desse grupo de ações e
serviços no total dos recursos do SUS transferi-
dos para as unidadesda federação4. Por meio de
técnicas de estatística descritiva, será avaliado o
padrão da distribuição de recursos ao longo de
15 anos (2003 a 2017), “clusterizando”as UFs
conforme elas recebam mais ou menos recursos
federais, além de avaliar avariação percentual
de um ano para o outro para a identificação de
eventuais outliers. Observando-se a identificação
de outliers, esses serão mais bem estudados por
meio de análise comparada qualitativa, especifi-
camente com o método fuzzy-setQCA, que pos-
sibilita a identificação de condições necessárias e/
ou suficientes para explicação de um fenômeno
em estudo. Em suma, os achados a partir dos mé-
todos quantitativos apontarão os casos que de-
mandarão análises mais profundas com base em
métodos qualitativos.
A segunda e próxima seção apresentarão a
discussão teórica em torno do tema transferên-
cias intergovernamentais no Brasil, consideran-
do a literatura da ciência política e também as
discussões específicas da saúde. A terceira seção
apresentará as considerações metodológicas ge-
rais. Uma quarta seção realizará a análise quan-
titativa e discutirá os seus resultados. A quinta
seção, a partir dos dados extraídos da primeira
análise, aplicará o método qualitativo e então dis-
cutirá os seus achados. Por fim, uma sexta seção
realizará um balanço geral dos resultados iden-
tificados.
Discussões sobre transferências
intergovernamentais no Brasil e na saúde
Quando se estuda as TVUs, grupo em que
as transferências legais do SUS não se enqua-
dram, artigos que partem de referenciais teó-
ricos da ciência política discutem quais fatores
políticos estão associados à alocação de recursos
federais para os demais entes da federação2,3,5,6.
Identificam-se a distribuição de recursos fede-
rais prevalente em anos eleitorais, indicando-o
como recurso de estratégia eleitoral, e também
a relação entre número de parlamentares aliados
do governo federal na bancada estadual e uma
maior chance de se obter recursos2. Identifica-
se também como significante o alinhamento de
prefeitos com o partido do presidente3. Outro fa-
tor político identificado é a relação com eleições
municipais5.
Essas análises possuem um olhar centrado
nas TVUs. Outra publicação, ao estudar valores
atípicos no total de todos os recursos correntes
por habitante transferidos entre 1985 e 2004 (e
não somente TVUs), também conclui que crité-
rios políticos se sobrepõem a critérios de equida-

de, observando-se o efeito prevalente de bancada
estadual aliada do governo federal frente a variá-
veis de redução das desigualdades regionais6.
Por fim, um outro estudo, que observa es-
pecificamente municípios e as transferências do
SUS, identifica como significante o alinhamento
partidário entre prefeito e presidente da Repú-
blica, além de considerável relação entre receita
municipal e maior volume de recursos federais
transferidos, apontando um efeito não desejável
no que se refere à redução de desigualdades re-
gionais1.
Nesse ponto, observando-se especificamente
a saúde, há um conjunto de temas a ser consi-
derado. Inicialmente, cabe destacar a discussão
de redução das desigualdades regionais que se
relaciona a aspectos das relações federativas e da
coordenação de políticas públicas em contextos
de descentralização política. Em teoria, nos pro-
cessos de descentralização política a coordenação
federativa surge como relevante na expectativa
de se garantir a redução de inequidades e de-
sigualdades regionais, destacando-se o uso de
instrumentos como as transferências intergover-
namentais7. A princípio, a redistribuição de re-
cursos financeiros federais poderia servir ao pro-
pósito de equalizar desequilíbrios da federação
brasileira, sejam eles verticais ou horizontais8.
Para exemplificar, teria ocorrido um conjun-
to de avanços na redução das desigualdades re-
gionais no SUS no início dos anos 2000, em que
a distribuição mais equitativa de recursos estava
no centro das estratégias de financiamento utili-
zadas pelo Ministério da Saúde9. Os avanços na
redistribuição de recursos entre estados, obser-
vando valores per capita, teriam ocorrido tanto
no piso de atenção básica (PAB) quanto nas ações
e serviços de média e alta complexidade (MAC)
– essa última corresponde a quase 70% do total
dos recursos federais transferidos4,10. De fato, ao
observar os dados apresentados, constata-se uma
considerável variação positiva na alocação de re-
cursos de MAC para os estados antes menos fa-
vorecidos, ainda que estados das regiões Norte e
Nordeste figurem com os menores per capitas9.
Entretanto, é preciso destacar que não há
consenso sobre a redução das desigualdades, e
uma publicação sistematiza amplamente a diver-
gência de entendimentos acadêmicos relacionada
à alocação de recursos no SUS8. Como exemplo,
a depender do período e dos recursos estudados,
tem publicação que indica maior necessidade de
se estabelecer uma alocação mais equitativa11. Por
outro lado, quando se observa recursos por re-
gião geográfica comparativamente à população
3411
Ciência & Saúde Coletiva, 26(Supl. 2):3409-3421, 2021
residente, não haveria grandes distorções12, e em
outros casos haveria uma queda na desigualdade
de distribuição de recursos entre municípios, in-
clusive com queda do coeficiente de Gini, especi-
ficamente nos recursos do PAB13.
Em complemento, deve-se se questionar a
real capacidade de o Ministério da Saúde dimi-
nuir as desigualdades regionais, especialmente
em um contexto em que as ações de MAC são
dependentes da existência de prestadores pri-
vados, esses em geral concentrados em municí-
pios com renda mais elevada14. Nesse contexto,
a alocação de recursos de MAC está relacionada
à série histórica do gasto em serviços ambulato-
riais e hospitalares e, mesmo com os mecanismos
regulares fundo a fundo, reproduz as condições
do passado, privilegiando a capacidade de oferta
de serviços e não atacando as desigualdades, in-
clusive não havendo espaço para regulamentação
do artigo 17 da Lei Complementar nº 141/2012,
que estabelece critérios mais equitativos de alo-
cação de recursos, com foco nas necessidades de
saúde15.
Destaca-se que a alocação de recursos con-
forme a legislação federal não vem sendo cum-
prida desde os anos 1990 quando se observa a
Lei nº 8.080/1990, que já teria apontado critérios
para alocação equitativa, e a Lei nº 8.142/1990,
que prevê a distribuição per capita4. Haveria na
prática um conjunto de dificuldades para se ope-
racionalizar as bases legais do SUS, como ques-
tões operacionais, falta de priorização ou mesmo
vontade política12. Outro impeditivo seria a au-
sência de recursos adicionais para que uma even-
tual redistribuição possa ser realizada sem perda
financeira para nenhum ente federado¹². Haveria
também limitações considerando-se o contexto
de disparidades socioeconômicas relevantes no
país, que impactaria a possibilidade de prestação
dos serviços de saúde em determinadas localida-
des16.
Nesse cenário, diversos critérios, definidos
por portarias do Ministério da Saúde, são utili-
zados para as transferências do SUS, no vácuo
do que é disposto em lei, e essa enormidade de
regras tornaria inclusive o acompanhamento e
a compreensão dos repasses uma tarefa comple-
xa17. Em consulta às normativas vigentes, quase
1.200 artigos estabelecem incentivos e condicio-
nam os repasses de recursos às estratégias defi-
nidas nacionalmente18. O elevado arcabouço
normativo levaria também a contradições, onde
convivem incentivos explícitos que buscam uma
maior eficiência alocativa e produtiva e a redu-
ção de desigualdades, mas também incentivos
3412
Carvalho GP
implícitos que contradizem esses objetivos, per-
petuando desigualdades, especificamente na
MAC14,19. É nesse contexto que, inesperadamente,
nas palavras dos autores do artigo identificado,
fatores políticos poderiam explicar a alocação de
recursos no SUS – notadamente, o alinhamento
partidário entre Presidência da República e pre-
feituras1. Nesse tema, é preciso considerar aspec-
tos do modelo presidencialista multipartidário
brasileiro, em que a necessidade de se construir
apoio político é exercida considerando diversos
instrumentos: alocação de recursos financeiros,
estabelecimento de acordos sobre políticas públi-
cas e, mais recentemente, discussões relacionadas
à nomeação para cargos públicos com o objetivo
de viabilizar direcionamento de recursos para re-
dutos políticos de um partido ou de um político
em específico por meio do controle de poucos
cargos estratégicos20. Adiciona-se nessa discussão
a noção de que muitas das decisões políticas são
tomadas não pelo ministério temático, mas no
chamado núcleo da Presidência da República20.
Feitas essas considerações, a discussão aqui
proposta de estudar os fatores que condicionam
a alocação de recursos do SUS demanda uma
agenda robusta de pesquisa que possa compre-
ender a presença de fatores políticos permeando
essa distribuição.
Aspectos metodológicos
Quanto aos aspectos metodológicos, o presente
trabalho optou por realizar uma combinação de
métodos do tipo explicação sequencial²¹. A ideia
central é, a partir de uma análise quantitativa
inicial, identificar casos atípicos no recebimento
de recursos federais. Feito isso, tentará identificar
possíveis condições necessárias e suficientes para
esse fenômeno, considerando técnicas qualitati-
vas.
A opção de dedicar parte desse estudo a uma
análise mais específica de outliers no recebimento
de recursos emerge da necessidade de se reconsi-
derar a distinção entre as TVUs e as transferên-
cias do SUS, indicando-se uma análise explorató-
ria acerca de eventuais condicionantes políticos
na alocação de recursos do SUS. O uso de casos
atípicos é adequado para a realização de análises
exploratórias e construção de teorias, observan-
do-se o que se chama de tipos ideais, que inclusi-
ve ajudam a refinar e testar modelos estatísticos
futuros22. Não serão utilizadas técnicas quantita-
tivas para análise de causas de situações atípicas
por entender que essa não é uma escolha muito
aconselhável na tradição quantitativa23, sendo
mais recomendada as técnicas qualitativas22.
Dito isso, e considerando como problema de
pesquisa a discussão de fatores políticos enquanto
condicionantes na alocação de recursos federais
no SUS e seus efeitos nas desigualdades regionais,
as questões deste artigo são: quais fatores (técni-
cos e/ou políticos) são condições necessárias e/ou
suficientes para a alocação atípica de recursos no
SUS para uma ou mais UFs? Fatores políticos po-
dem ser considerados como condições necessá-
rias e/ou suficientes? Há interação entre diversos
fatores, sejam eles políticos ou técnicos?
A identificação de casos atípicos será reali-
zada por meio de análises quantitativas, consi-
derando os dados do Fundo Nacional de Saúde
(FNS), montando um banco com o total de re-
passes realizados para cada uma das 27 Unidades
da Federação (UF) ao longo de 15 anos (2003 a
2017) e observando-se especificamente os repas-
ses associados ao chamado bloco da média e alta
complexidade, por se tratar do maior volume
de recursos repassados aos estados e municípios
(quase 70%) e por não ter tido em sua história a
implementação direta de critérios populacionais
ou ponderados por condições socioeconômicas,
como é o caso do PAB. Não serão considerados
os repasses de MAC advindos de emendas parla-
mentares (que a partir de 2015 puderam comple-
mentar os recursos federais de MAC de estados e
municípios).
Para melhor compreensão da alocação de
recursos em MAC ao longo dos anos serão reali-
zadas duas análises no software R24: clusterização
dos casos e identificação de casos outliers.
Em suma, para cada ano os valores de repas-
ses serão corrigidos com o IPCA, considerando-
se o ano de 2017. A partir daí, será calculado o
per capita da distribuição de recursos para cada
uma das 27 unidades da federação, dividindo-se
o valor total de repasses do MAC pela população
IBGE de cada UF em cada ano em questão.
Em seguida será realizada uma análise com
base no método k-means de clusterização dos
casos, ano a ano, separando-os em três grupos:
per capita mais baixo, per capita mais elevado
e per capita intermediário. Isso ajuda a identi-
ficar eventuais UFs que possuem um per capita
mais elevado ao longo dos 15 anos, outros que
possuem per capita mais baixo e também aqueles
que possuem oscilação ano a ano, contribuindo
para observar as desigualdades no país ao longo
do período estudado.
Posteriormente, será calculada a diferença em
termos percentuais da variação do per capita do

MAC de cada estado de um ano para o outro. As-
sim, por meio de técnicas de estatística descritiva,
será avaliado o padrão da distribuição de casos
(variação percentual do per capita do MAC de
um ano para o outro) e identificação de eventuais
outliers em cada ano separadamente, observando
todas as UFs por meio de gráfico boxplot. Assim,
ao final desse processo, tem-se a identificação de
outliers, que seriam UFs que tiveram variação do
per capita do MAC de um ano para o outro fora
do padrão de cada ano.
Após esse exercício de natureza quantitativa,
será realizada a análise qualitativa desses dados,
observando-se os casos outliers para identificar
fatores técnicos e/ou políticos que expliquem
o aumento atípico no recebimento de recursos.
Entre as possibilidades metodológicas de natu-
reza qualitativa, entende-se que a técnica quali-
tative comparative analysis (QCA), mais especi-
ficamente o seu desdobramento fuzzy-set QCA,
adequa-se bem aos propósitos e à versatilidade
exigida neste estudo.
No debate metodológico da ciência política,
pode-se atribuir aos métodos qualitativos uma
orientação matemática implícita, que envolve a
análise de necessidade e suficiência de condições
para um determinado fenômeno em estudo, em
que a técnica QCA retrata mais evidentemente
esses aspectos matemáticos22. Trata-se de uma
técnica versátil, desenvolvida inicialmente para
aplicações com número de casos pequeno e mé-
dio (entre 15 e 50 casos)25. Com a evolução do
método, o mesmo pode ser aplicado para um nú-
mero grande de casos26. Trata-se, ainda, de uma
técnica exploratória/interpretativa, questões es-
sas que refletem a lógica e o espírito da pesqui-
sa qualitativa26 e que se relaciona aos objetivos
e perspectivas deste trabalho. Sua aplicação será
desenvolvida também por meio do software R27.
Cabe esclarecer que, diferentemente das técni-
cas quantitativas, a questão-chave do QCA não é o
quão forte é uma variável, mas sim como diferen-
tes condições isoladamente ou combinadamente
explicam o fenômeno em estudo, fazendo emergir
aspectos de multiplicidade e complexidade cau-
sais26. De modo complementar, o método permite
qualificar cada caso em estudo e, considerando a
combinação de condições, obtém-se um conheci-
mento mais aprofundado dos casos estudados26 –
aspectos típicos das pesquisas qualitativas22.
Para viabilizar esse tipo de análise, o método
QCA trabalha tanto com lógica binária, para va-
lorar cada condição analisada, isto é, as condições
assumem valores “0” ou “1” de maneira dicotô-
mica, quanto com valores de associação entre “0”
3413
Ciência & Saúde Coletiva, 26(Supl. 2):3409-3421, 2021
e “1”, oferecendo uma vantagem de enquadra-
mento dos casos às condições, conforme graus
de pertencimento (mais próximo de “1” ou mais
próximo de “0”), chamado de fuzzy-set QCA25.26.
Com isso, permite-se descrição e análise de
relações lógicas embutidas em tabelas verdade,
em que ferramentas set-theoretic (teoria de con-
juntos) permitem avaliar relações entre condi-
ções e resultados sob a ótica de necessidade e su-
ficiência22. Nesse tipo de análise pode surgir, por
exemplo, uma condição que isoladamente não é
suficiente para explicar um fenômeno mas que,
numa combinação de condições, é parte necessá-
ria para que essa combinação seja suficiente – o
que se chama de “INUS condition”22,26.
Na análise QCA as condições (variáveis expli-
cativas) serão trabalhadas para cada UF e ano de
análise, conforme o Quadro 1, que sistematiza a
condição, o seu indicador, como ele será visuali-
zado nos resultados da análise, a referência teóri-
ca e a sua operacionalização.
No que se refere ao resultado estudado (variá-
vel dependente), esse será trabalhado de maneira
dicotômica, em que 1 corresponde aos casos que
se enquadrem como outliers e 0 corresponde aos
casos que não forem enquadrados como outliers.
Conforme a lógica de análise do método fuz-
zy-set QCA (teoria dos conjuntos), analisam-se:
a) condições causais compartilhadas por casos
com o mesmo resultado, ajudando a avaliar con-
dições necessárias (aquelas que são requisitos ou
indispensáveis para que determinado resultado
aconteça); b) casos com as mesmas condições
causais, observando em que nível eles compar-
tilham o mesmo resultado, o que ajuda a avaliar
condições suficientes (aquelas que asseguram ou
geralmente levam a determinado resultado).
Existe um conjunto de recomendações para
a realização das análises de necessidade e sufici-
ência de condições que serão consideradas nesse
trabalho29,30. Cabe registrar que uma condição,
ou mesmo uma combinação de condições (pre-
ceito de complexidade causal), só será conside-
rada suficiente quando a sua associação com o
enquadramento outlier – consistência da relação
– assumir valor maior ou igual a 0,75 (em uma
escala de 0,0 a 1,0). Isto é, ao observar casos sob
a mesma condição, no mínimo três quartos dos
casos deverão ser outliers para que ela seja consi-
derada suficiente.
Para análise de necessidade, o valor de consis-
tência deve ser mais rígido e será considerado o
valor 1,0. Isso significa dizer que, para uma con-
dição ser considerada necessária, todos os casos
outliers devem possuir essa condição. Pondera-se
3414
Carvalho GP

Quadro 1. Condições (variáveis explicativas) consideradas na análise fuzzy-set/QCA

Condição Indicador/fonte Interpretação Referências Operacionalização
1. Condição Taxa de mortalidade infantil CONDSAU (taxa Maior taxa de Para as condições 1, 2, 3, 4
de saúde (menores de 1 ano) por mais elevada) mortalidade infantil e 6, o valor da taxa/número
(fator 1.000 nascidos vivos no ano implicaria receber absoluto/porcentagem de
técnico) anterior. Fonte: PROADESS/ condsau (taxa mais mais recursos1 cada UF, para cada ano, será
Fiocruz. baixa) agregado ao das demais UFs
2. Economia Renda média domiciliar per ECON (valor mais Maior renda estudadas em quatro clusters,
(fator capita no ano anterior. Fonte: elevado) implicaria em receber a partir da técnica k-means
técnico) PROADESS/Fiocruz. mais recursos5 em software R: i) valores
econ (valor mais mais elevados; ii) valores
baixo) intermediários a elevado;
3. Percentagem do gasto OFERT (valor mais Maior capacidade iii) valores intermediários
Capacidade público estadual em saúde elevado) de gasto com receita a baixos; e iv) valores mais
de oferta em relação à soma de gasto própria implicaria baixos. Em seguida, os casos
(fator total (recursos federais e ofert (valor mais receber mais serão calibrados em escala
técnico) locais) no ano anterior. Fonte: baixo) recursos1,4 de 0,0 a 1,0, sendo que os
Elaboração do autor a partir agregados aos dois extremos
do PROADESS/Fiocruz (i e iv) assumirão valor
4. População Percentual da população não POPSUS (valor Maior população de 0,95 a 10, e .00 a 0,05,
SUS- coberta por planos e seguros mais elevado) SUS dependente respectivamente. Os demais
dependente de assistência suplementar à implicaria receber casos serão distribuídos entre
(fator saúde no ano anterior. Fonte: popsus (valor mais mais recursos 12 0,05 e 0,95.
técnico) Elaboração do autor a partir baixo) Assume-se que o valor do
do PROADESS/Fiocruz. ano anterior repercutirá na
alocação do ano seguinte. Ex.:
5. Histórico UF fazer parte de grupo de HISTOR (condição Menor volume de
taxa de mortalidade infantil
de MAC per UFs com menor MAC per presente) MAC per capita
2016 será utilizada para se
capita capita no ano anterior. Fonte: no ano anterior
avaliar o efeito da condição
(fator FNS. histor (condição implicaria receber
de saúde na alocação de
técnico) ausente) mais recursos9
recursos em 2017.
6. Votação Diferença percentual de votos VOT (diferença Melhor votação do
presidencial válidos entre o vencedor mais elevada) candidato vencedor
Para as condições 5, 7, 8, 9
(fator e o segundo colocado nas na eleição presidencial
e 10, a operacionalização se
político) eleições anteriores. Fonte: vot (diferença mais anterior implicaria
dará de maneira dicotômica,
TSE. baixa) receber mais recursos2
onde 1,0 é aplicado quando
7. Governador da UF ser GOV (condição Governador alinhado a condição está presente e
Governador alinhado com coalizão do presente) com governo federal 0,0 quando a condição está
Alinhado governo federal. Fonte: TSE implicaria receber ausente.
(fator e publicação que sistematiza gov (condição mais recursos2,5
político) coalizões28. ausente) Obs.: Em relação a troca
8. Ministro Ministro da Saúde no ano MINIST (condição Ministro de origem de comando no governo
da Saúde de anterior ser político da UF presente) de uma dada UF federal em 2016, para
origem da analisada. Fonte: Ministério implicaria receber efeitos das variáveis 6, 7,
UF da Saúde. minist (condição mais recursos20 9 e 10, considera-se no
(fator ausente) ano de 2016 o governo
político) Dilma. Já no ano de 2017,
9. Bancada Maioria da bancada da UF SEN (condição Bancada estadual considera-se o governo
do Senado no Senado (dois ou três presente) do Senado alinhada Temer, e especificamente a
alinhada senadores) ser alinhada com governo federal variável 6 será tratada com o
(fator coalizão do governo federal. sen (condição implicaria receber valor oposto ao trabalhado
político) Fonte: TSE e publicação que ausente) mais recursos² nos anos de 2015 e 2016,
sistematiza coalizões28. em virtude de a coalizão
10. Prefeito Prefeito da capital da UF ser PREF (condição Prefeito de (capital) de governo de Temer ser
de capital alinhado com coalizão do presente) alinhado, município composta por partidos que
alinhado governo federal. Fonte: TSE com renda mais formavam a coligação nas
(fator e publicação que sistematiza pref (condição elevada14, implicaria eleições de 2014 que ficou em
político) coalizões28. ausente) receber mais recursos1 segundo lugar.
Fonte: Elaborado pelo autor.

que a análise de necessidade é um pouco mais
complexa e exige também observar a noção de
relevância enquanto condição necessária. Não há
um parâmetro bem definido sobre valor mínimo
de relevância, pois isso depende do objeto em
análise. Como este trabalho opta por fazer uma
análise centrada nos casos outliers (são os casos
mais extremos possíveis), é de se esperar valores
relativamente baixos de relevância, sem que isso
prejudique a discussão proposta. Se o valor de
relevância da necessidade assumir valor maior
que 0,5, a condição será de fato considerada ne-
cessária. Se assumir valor abaixo de 0,5, será fei-
ta ponderação, exigindo-se cautela na leitura do
resultado, mas sem que isso elimine automatica-
mente a possiblidade de ser condição necessária.
Por fim, como pode haver mais de uma condição
ou uma combinação de condições associando re-
sultados de suficiência e necessidade (preceito de
multiplicidade causal), se for necessário fazer se-
leções, será escolhida a configuração com maior
valor de cobertura, e que esteja condizente com o
esperado a partir do referencial teórico e, conse-
quentemente, disposto no Quadro 1.
Dito isso, serão rodados três modelos. Um
para todos os casos em análise. Outro moderan-
do os casos pela região geográfica, e por último
um terceiro modelo moderando o fator tempo,
até por conta de se esperar diferentes contextos
políticos ao longo dos anos de análise.
Resultados da análise quantitativa
A Tabela 1 apresenta os valores de MAC per ca-
pita corrigidos para o ano de 2017, considerando
uma série histórica de 15 anos, já classificando os
casos a partir da técnica k-means de clusterização
ano a ano, conforme per capita mais elevado (cé-
lulas pretas), per capita mais baixo (células cin-
zas) e per capita intermediário (células brancas)
Inicialmente, já se pode identificar que exis-
tem UFs que ao longo de toda a série histórica
aparecem no grupo de per capita mais elevado:
RS e MS. Por outro lado, AM é o único estado
que sempre figurou no grupo de per capita mais
baixo. Comparativamente, se considerarmos os
últimos dez anos da série histórica (2008 a 2017),
pode-se somar no grupo do per capita mais ele-
vado PE e, no grupo do per capita mais baixo, PA
e MA. Se consideramos apenas os últimos cinco
anos (2013 a 2017), AC, TO e PR também se so-
mam ao grupo do per capita mais elevado.
Outro destaque é que RN sai diretamente do
grupo do per capita mais baixo para o per capita
3415
Ciência & Saúde Coletiva, 26(Supl. 2):3409-3421, 2021
mais alto em 2017. O mesmo aconteceu com DF
em 2009 e TO em 2005. Por fim, no ano de 2003,
o menor per capita era do AM, no valor de R$
2,61, enquanto o maior era RJ, com R$ 156,77. Já
em 2004, o menor per capita de MAC era ES, com
R$ 27,74, e o maior era SP, com R$ 168,13. Em
2005, o menor per capita era RR, com R$ 90,44,
e o maior era RS, com R$ 165,61. E, para compa-
rar, em 2017, o menor per capita é AM, com R$
140,98, e o maior é RN, com R$ 271,84. Por fim,
registra-se que o maior per capita de MAC regis-
trado foi em 2014 em PE, no valor de R$ 321,93.
Considerando as informações da Tabela 1 é
inegável que houve uma profunda redistribui-
ção desses recursos, especialmente envolvendo
estados do Norte e Nordeste. A diferença entre
os valores mais baixos e mais altos diminuíram
consideravelmente ainda nos primeiros anos de
análise, entre 2003 e 2005. Selecionando-se al-
guns dados emblemáticos, em 2014 e 2017 esta-
dos da região Nordeste apresentam os maiores
valores de per capita. Ao longo dos diversos anos,
TO em 2005 e RN em 2017 saíram diretamente
do grupo de menor per capita para o de maior per
capita. Dessa forma, pelos menos no que se refere
à alocação de recursos federais, houve uma consi-
derável diminuição das desigualdades regionais.
Observando-se agora o Gráfico 1, do tipo
boxplot, nota-se a variação percentual do per ca-
pita de MAC a partir de 2004 em relação ao ano
anterior, quando podemos identificar a existên-
cia de outliers (bolinhas brancas) em todos os
anos, com exceção de 2011, que na verdade regis-
trou um outlier de redução de recursos.
Em síntese, é evidente a discrepância da va-
riação per capita em 2004 (em relação ao ano de
2003), pois existem três outliers cujas variações
destoam de todos os demais outliers dos anos
observados. Para facilitar a identificação dos ca-
sos outliers, a Tabela 2 sistematiza os valores de
variação em termos percentuais, destacando os
outliers que tiveram variações positiva para rece-
bimento de recursos (células sombreadas de pre-
to) e negativa (redução de recursos, com células
sombreadas de cinza).
Complementando a análise boxplot com a
Tabela 2, observa-se 22 casos outliers de variação
positiva (aumento no recebimento de recursos
fora do padrão) de 2004 a 2017. Desses 22, so-
mente dois não envolvem UFs das regiões Norte e
Nordeste. Foram ES, em 2005, que conforme da-
dos da Tabela 1 teve o menor per capita de 2004,
e DF, em 2009. Dessa forma, quando observamos
especificamente UFs do Norte e Nordeste, apenas
PA, AL, BA e CE não tiveram ampliação de recur-
 Carvalho GP
3416

Tabela 1. Valor (R$) de MAC per capita (valores constantes para 2017) – 2003 a 2017.

UF 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
RO 76,39 99,98 102,40 111,00 136,31 146,66 165,69 165,77 181,58 180,60 183,58 209,92 215,08 205,58 216,02
AC 17,40 98,36 106,29 109,29 134,08 149,25 194,50 190,67 218,93 281,24 291,43 285,54 288,22 258,78 244,47
AM 2,61 77,63 96,72 106,00 127,41 137,33 155,60 163,03 166,29 181,38 153,66 164,99 160,40 154,84 140,98
RR 37,48 90,44 90,07 97,79 119,20 151,36 189,46 186,45 178,07 203,76 195,16 200,95 219,31 210,25 227,33
PA 83,52 92,73 98,12 105,54 127,27 136,79 141,42 151,53 151,38 171,75 167,37 178,34 162,99 137,65 142,40
AP 5,35 75,59 97,26 129,25 200,33 212,78 214,71 201,80 204,21 264,68 255,69 247,92 221,96 162,89 158,11
TO 12,12 28,46 144,81 155,70 204,77 209,70 270,64 282,26 254,59 249,30 275,42 261,53 261,91 251,29 254,58
MA 71,11 77,30 110,74 118,85 139,80 152,27 150,57 158,37 177,04 186,54 184,13 171,53 154,85 158,69 158,90
PI 64,62 102,79 124,93 132,57 156,86 174,01 186,04 196,47 208,15 213,45 200,88 207,58 200,03 237,65 232,16
CE 116,73 125,80 126,14 136,42 172,95 185,63 193,36 207,60 220,83 234,70 228,32 240,85 235,01 216,48 220,31
RN 70,01 129,59 127,31 136,85 169,00 169,92 190,64 242,63 256,95 259,63 229,46 237,75 211,52 180,16 271,84
PB 112,85 122,03 127,03 139,44 168,81 175,42 180,31 210,03 213,22 228,54 210,04 225,00 205,21 189,13 197,61
PE 29,54 74,90 138,72 168,84 213,87 220,68 251,03 261,16 280,43 315,93 304,04 321,93 293,86 242,06 246,54
AL 116,48 124,29 123,79 138,74 178,75 168,69 193,74 219,67 239,93 250,41 243,07 262,29 254,90 238,67 242,57
SE 107,47 116,86 120,77 138,85 188,60 199,59 197,94 239,74 245,50 303,07 270,28 269,07 243,52 216,64 213,77
BA 36,84 121,96 124,38 144,59 181,39 201,93 212,11 234,67 245,61 243,29 207,61 221,38 207,78 195,91 193,97
MG 119,12 130,35 134,16 148,43 167,23 174,95 200,51 213,09 226,23 238,10 227,85 250,50 235,13 211,84 213,65
ES 18,95 27,74 127,40 135,20 163,81 171,53 199,58 199,57 201,65 214,99 213,73 225,95 215,43 197,62 200,29
RJ 156,77 161,04 155,58 177,20 196,10 191,81 202,21 218,02 236,32 244,79 239,63 252,60 232,37 221,09 214,02
SP 82,26 168,13 163,21 194,46 259,36 219,68 221,88 236,77 242,13 242,42 224,19 243,11 237,57 219,85 219,25
PR 141,06 154,50 159,73 170,76 198,78 200,55 217,63 238,97 253,44 267,69 252,61 268,97 261,00 239,71 250,28
SC 120,80 127,87 129,68 141,18 164,60 175,57 208,17 214,73 213,95 217,51 225,07 243,50 239,01 219,14 211,68
RS 100,64 164,61 165,61 177,09 214,77 221,09 228,78 249,33 267,37 294,31 267,95 290,82 252,46 230,76 229,12
MS 136,48 144,02 152,91 177,88 225,13 227,64 249,28 261,84 288,51 306,32 296,31 314,76 283,95 241,81 247,24
MT 110,19 120,17 119,82 126,04 149,89 161,48 170,44 178,29 185,53 226,14 212,61 223,72 220,46 201,79 194,43
GO 123,96 126,31 128,79 135,26 163,77 171,75 185,68 191,39 210,47 206,27 204,94 219,82 216,46 197,23 196,56
DF 135,43 139,86 142,81 149,08 169,09 164,94 226,99 231,51 230,55 250,28 212,35 208,20 186,78 171,95 162,49
Fonte: Elaborado pelo autor a partir de dados do Fundo Nacional de saúde (FNS).
 3417

Ciência & Saúde Coletiva, 26(Supl. 2):3409-3421, 2021

relação ao ano anterior
Variação MAC per capita (%) por UF

2500
anterior
2000
UF em
porano

1500
Capita (%)ao
Perrelação

1000
Variação MACem

500
0

ANO.I ANO.II ANO.III ANO.IV ANO.V ANO.VI ANO.VII ANO.VIII ANO.IX ANO.X ANO.XI ANO.XII ANO.XIII ANO.XIV
2004 a 2017
2004 a 2017

Gráfico 1. Variação MAC per capita (%) por UF em relação ao ano anterior – 2004 a 2017.

Fonte: Elaborado pelo autor.

Tabela 2. Diferença MAC per capita (%) em relação ao ano anterior (valores constantes).
UF 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
RO 30,87 2,43 8,39 22,80 7,59 12,98 0,05 9,54 -0,54 1,65 14,35 2,45 -4,42 5,08
AC 465,26 8,07 2,82 22,69 11,32 30,32 -1,97 14,82 28,46 3,62 -2,02 0,94 -10,21 -5,53
AM 2878,79 24,59 9,59 20,20 7,78 13,31 4,77 2,00 9,08 -15,28 7,37 -2,78 -3,47 -8,95
RR 141,28 -0,40 8,56 21,90 26,97 25,17 -1,59 -4,49 14,42 -4,22 2,97 9,13 -4,13 8,12
PA 11,03 5,82 7,56 20,59 7,48 3,38 7,15 -0,10 13,45 -2,55 6,55 -8,61 -15,55 3,45
AP 1313,31 28,66 32,89 55,00 6,21 0,91 -6,01 1,20 29,61 -3,40 -3,04 -10,47 -26,61 -2,94
TO 134,76 408,81 7,52 31,52 2,41 29,06 4,30 -9,80 -2,08 10,48 -5,04 0,14 -4,06 1,31
MA 8,70 43,27 7,32 17,63 8,92 -1,12 5,18 11,79 5,36 -1,29 -6,84 -9,72 2,48 0,13
PI 59,06 21,54 6,11 18,32 10,93 6,91 5,60 5,94 2,55 -5,89 3,34 -3,64 18,81 -2,31
CE 7,77 0,27 8,15 26,77 7,33 4,16 7,37 6,37 6,28 -2,72 5,49 -2,42 -7,89 1,77
RN 85,08 -1,76 7,50 23,49 0,54 12,19 27,27 5,90 1,04 -11,62 3,62 -11,03 -14,83 50,89
PB 8,14 4,10 9,77 21,06 3,91 2,79 16,48 1,52 7,19 -8,10 7,12 -8,79 -7,84 4,48
PE 153,58 85,19 21,72 26,67 3,19 13,75 4,04 7,38 12,66 -3,76 5,88 -8,72 -17,63 1,85
AL 6,70 -0,40 12,08 28,84 -5,63 14,85 13,38 9,22 4,37 -2,93 7,91 -2,82 -6,37 1,63
SE 8,73 3,35 14,97 35,83 5,82 -0,82 21,12 2,40 23,45 -10,82 -0,45 -9,49 -11,04 -1,32
BA 231,09 1,98 16,25 25,45 11,32 5,04 10,64 4,66 -0,94 -14,66 6,63 -6,14 -5,71 -0,99
MG 9,42 2,93 10,64 12,66 4,62 14,61 6,27 6,17 5,25 -4,31 9,94 -6,14 -9,90 0,85
ES 46,42 359,22 6,12 21,16 4,71 16,35 0,00 1,04 6,62 -0,59 5,72 -4,66 -8,27 1,35
RJ 2,73 -3,39 13,90 10,66 -2,19 5,42 7,82 8,39 3,59 -2,11 5,41 -8,01 -4,85 -3,20
SP 104,39 -2,93 19,15 33,37 -15,30 1,00 6,71 2,26 0,12 -7,52 8,44 -2,28 -7,46 -0,27
PR 9,53 3,39 6,90 16,41 0,89 8,52 9,81 6,05 5,63 -5,64 6,48 -2,96 -8,16 4,41
SC 5,85 1,42 8,87 16,59 6,66 18,57 3,15 -0,36 1,67 3,47 8,19 -1,84 -8,31 -3,40
RS 63,57 0,61 6,93 21,28 2,94 3,48 8,98 7,23 10,08 -8,96 8,54 -13,19 -8,59 -0,71
MS 5,52 6,17 16,33 26,56 1,12 9,50 5,04 10,19 6,17 -3,27 6,23 -9,79 -14,84 2,24
MT 9,06 -0,29 5,20 18,92 7,73 5,55 4,61 4,06 21,89 -5,98 5,22 -1,45 -8,47 -3,65
GO 1,90 1,96 5,03 21,07 4,88 8,11 3,08 9,97 -2,00 -0,64 7,26 -1,53 -8,88 -0,34
DF 3,27 2,11 4,39 13,43 -2,46 37,62 1,99 -0,42 8,56 -15,16 -1,96 -10,29 -7,94 -5,50
Fonte: Elaborado pelo autor a partir de dados do Fundo Nacional de saúde (FNS).
3418
Carvalho GP
sos a ponto de serem enquadrados como outliers
em toda a série histórica. Por outro lado, se ex-
cluirmos da série histórica o ano de 2004, que até
mesmo no Gráfico 1 destoa de todos os demais
anos, AM se soma às demais quatro UFs e não
figura como outlier de 2005 a 2017.
Dessa forma, evidencia-se que a alocação atí-
pica de recursos (outliers) envolve especialmente
estados das regiões Norte e Nordeste, chamando
a atenção o fato de que, entre 2005 e 2017, das 16
UFs dessas regiões, apenas cinco não aparecem
como outlier, enquanto AP, RN, RR e TO apare-
cem mais de uma vez como outliers.
Enfim, para compreender melhor o que ex-
plica esse fenômeno de alocação atípica de recur-
sos do SUS, especificamente de MAC, a próxima
seção objetivará dar respostas observando a asso-
ciação de casos outliers com condicionantes téc-
nicas e políticas. Dada a representatividade das
regiões Norte e Nordeste nesse fenômeno, esse
estudo optará por fazer a análise fuzzy-set/QCA
centrada nas 16 UFs dessas regiões entre 2005 e
2017, excluindo-se da próxima análise os estados
do Sul, Sudeste e Centro-Oeste, e também os da-
dos de 2004, dada a inegável discrepância desse
ano, que se relaciona a um nível de per capita
muito abaixo de todas as demais UFs em 2003,
como é o caso de AM (R$ 2,61). Isso posto, no ano
de 2004, observando-se os casos outliers, nota-se
um considerável foco na redução das desigualda-
des regionais, destacando-se um fator técnico: a
defasagem em relação às demais UFs do país.
Resultados da análise qualitativa
A Figura 1 sistematiza os achados das oito aná-
lises realizadas: toda a amostra (M1); região
Nordeste (M2.1); região Norte (M2.2); primei-
ro mandato do presidente Lula (M3.1); segundo
mandato de Lula (M3.2); primeiro mandato da
presidente Dilma (M3.3); segundo mandato de
Dilma (M3.4); e o ano de 2017, com o presidente
Temer (M3.5).
Ao todo, sete outliers dos 17 puderam ser ex-
plicados pela análise de condições suficientes. No
que se refere às análises de necessidade, em todos
os modelos foram identificadas condições neces-
sárias, tendo duas com relevância de necessidade
maior que 0,7.
Observando-se o Modelo 1 (M1), identificam-
se como condições necessárias HISTOR, MINIST
ou PREF, isto é, uma UF fazer parte de grupo de
UFs com menor MAC per capita no ano anterior,
ministro da Saúde no ano anterior ser político da
UF analisada ou prefeito da capital da UF ser ali-
nhado com a coalizão do governo federal. Ponde-
ra-se que o valor de relevância dessa configuração
é de 0,272, exigindo um pouco mais de cautela
para considerar de fato esse conjunto de condi-
ções como necessário para uma UF ser outlier.
De toda forma, como apontado na metodologia,
sendo o foco da análise os casos extremos mais
emblemáticos, considera-se razoável que os valo-
res de relevância sejam baixos.
Em complemento, nesse primeiro modelo
foi possível identificar uma condição suficiente,
isto é, basta ela está presente para que uma UF
se torne outlier no recebimento de novos recur-
sos de MAC. A condição em questão é MINIST
(ministro da Saúde ser político da UF analisada
no ano anterior). Dois casos estão relacionados
a essa condição: PE em 2005 e PI em 2016. Esse
achado por si só já demonstra ser possível que
um ministro da Saúde direcione novos recursos
para seu reduto político, apontando que as trans-
ferências do SUS estão sujeitas a explicações po-
líticas, e não só técnicas – resultado alinhado a
discussões recentes da ciência política20.
No M1 não se identificam condições suficien-
tes para os demais 15 casos outliers, reforçando a
necessidade das análises seguintes que moderam
os dados pelas questões geográficas e temporais.
No M2.1, região Nordeste, identificam-se como
condições necessárias as mesmas do M1. Quanto
às condições suficientes, além dos casos condi-
cionados por MINIST, aparece como condição
suficiente no caso do RN em 2017 a combinação
HISTOR*popsus*SEN, que representa uma inte-
ração entre fatores técnicos e políticos: histórico
de MAC per capita e bancada do Senado alinha-
da, além de um valor baixo de população SUS-
dependente (o que pode estar mais relacionado
indiretamente a um elevado nível socioeconômi-
co). Observa-se que o sinal * significa multiplica-
ção, portanto esse tipo de configuração deve ser
lido considerando todas as três condições juntas
(não são três condições alternativas, mas apenas
uma para o resultado encontrado). Dessa forma,
a leitura da combinação pode ser: em contextos
de baixo valor de população SUS-dependente, o
histórico defasado de MAC, juntamente com a
bancada do Senado alinhada, é uma combinação
suficiente para que uma UF seja outlier. No M2.2,
região Norte, como condição necessária surge a
configuração SEN ou PREF. E como condição
suficiente, a combinação de fatores técnicos e
políticos HISTOR*sen*PREF*vot, sugerindo a
importância de prefeito de capital alinhado para
o caso do TO em 2005.
 3419

Ciência & Saúde Coletiva, 26(Supl. 2):3409-3421, 2021

M1: TODOS OS CASOS (17 outliers) M2.1: NORDESTE (08 outliers) M2.2: NORTE (09 outliers) M3.1: LULA I (04 outliers)

Condições Condições Condição necessária

necessárias* necessárias* e relevante
Condições necessárias* HISTOR ou HISTOR
SEN ou PREF
HISTOR ou MINIST MINIST ou PREF
ou PREF
Condições suficientes Condições suficientes
HISTOR*sen*PREF*vot Condições suficientes
MINIST 02 casos (PE-2005; PI-2016)
Condição suficiente 01 caso (TO-2005) MINIST 01 caso (PE-2005)
HISTOR*popsus*SEN 01 caso
MINIST 02 casos (PE-2005; PI-2016) HISTOR*sen*vot 01 caso (TO-2005)
(RN-2017)

M3.2: LULA II (05 outliers) M3.3: DILMA I (04 outliers) M3.4: DILMA II (03 outliers) M3.5: TEMER (01 outlier)

Condições necessárias* Condições Condições necessárias Não há como avaliar

condsau ou OFERT
Não foram identificadas
condições suficientes
necessárias* e relevantes
HISTOR ou POPSUS HISTOR ou MINIST
Condições suficientes Condições suficientes
econ*HISTOR*SEN*PREF MINIST 01 caso (PI-2016)
01 caso (AP-2012) CONDSAU*HISTOR*PREF
02 casos (RR-2015; MA-2016)
condições necessárias,
pois trata-se de apenas
um caso
Condições suficientes
HISTOR*popsus*SEN*pref
01 caso (RN-2017)

* condições necessárias, mas com valor de relevância relativamente baixo (ver discussão).

Figura 1. Resultados das análises de condições necessária e suficientes para os oito modelos testados, na forma de
conjuntos.

Fonte: Elaborado pelo autor.

Ao avaliar os casos moderando-se pelo fator recebimento de recursos novos. E já no segundo

tempo (e mandato dos presidentes da República),
cabe destaque que no M3.1, governo Lula 1, HIS-
TOR figura como condição necessária com rele-
vância considerável de 0,714. Nos modelos 3.2 e
3.3, Lula II e Dilma I, respectivamente, aparecem
configurações necessárias com outros fatores téc-
nicos, OFERT ou condsau e HISTOR ou POPSUS.
Já no segundo mandato de Dilma (M3.4), surge a
interação entre variáveis técnicas e políticas como
condições necessárias e relevantes, HISTOR ou
MINIST, com relevância de 0,828.
No que se refere a condições suficientes, mo-
derando-se os achados pelo fator tempo, iden-
tificam-se explicações para sete dos 17 outliers.
São os dois casos já explicados pela condição
MINIST; o caso do TO em 2005, com fator téc-
nico HISTOR*sen*vot; e outros quatro casos
combinando condições técnicas e políticas: AP
em 2012, econ*HISTOR*SEN*PREF; RR em
2015 e MA em 2016 com a mesma combinação
de condições suficientes no segundo governo da
presidente Dilma, CONDSAU*HISTOR*PREF; e
o caso do RN em 2017, no governo Temer, com
HISTOR*popsus*SEN*pref.
Em síntese, nos dois mandatos de Lula e no
primeiro de Dilma, prevalecem fatores técnicos
como condições necessárias para ser outlier no
mandato de Dilma, observa-se uma combinação
de fatores técnicos e políticos como condições
necessárias para ser outlier. No geral, destacam-
se como condições necessárias (isto é, são requi-
sitos para que uma UF seja outlier) especialmente
HISTOR e MINIST.
No que se refere às condições suficientes (isto
é, a presença de determinada condição inevitavel-
mente leva uma UF a ser outlier), destaca-se MI-
NIST como sendo a única condição que sozinha
assegura o enquadramento de UFs como outlier.
Outra condição relevante é HISTOR, que em
conjunção com condições políticas, especialmen-
te SEN e PREF, explica todos os outros outliers
desse trabalho, sugerindo o enquadramento com
o que se chama de “INUS condition”22,26, ou seja,
uma condição que sozinha não garante que uma
UF seja outlier mas, essa mesma condição, sendo
parte necessária de uma combinação de condi-
ções suficientes. Isso demonstra a relevância da
combinação de fatores técnicos e políticos para
explicar a alocação atípica de recursos.
Dessa forma, os achados da presente análise
demonstram que fatores políticos, e não só técni-
cos, são relevantes para explicar a alocação de re-
cursos no SUS, em especial ministro da Saúde ser
de origem da UF beneficiada e bancada do Sena-
3420
Carvalho GP
do e prefeito de capital alinhados. Isso indica que
os condicionantes identificados nesse estudo, so-
bretudo os dois últimos, não são tão dissociados
daqueles que explicam as TVUs2,5,6 e também re-
forçam os achados de estudos no campo da saúde
em que fatores políticos explicam a distribuição
de recursos para municípios1. No mais, o achado
da relevância do cargo de ministro da Saúde está
bem alinhado com as discussões mais recentes da
ciência política sobre o uso de cargos estratégicos
para direcionamento de recursos20.
Conclusão
Em suma, entende-se que o presente trabalho
cumpre seu papel ao explorar a dimensão de fa-
tores políticos como condicionantes dos repasses
de recursos federais do SUS, demonstrando que
os critérios de repasses de recursos da saúde não
são tão dissociados das transferências voluntárias
quanto poderia se imaginar.
Em que pese ter ficado claro na análise quan-
titativa que a alocação de recursos diminuiu con-
sideravelmente as distorções de valores per capita
dos recursos de MAC para estados das regiões
Norte e Nordeste, reduzindo as desigualdades re-
gionais, ficou notória na análise qualitativa a in-
terveniência de fatores políticos condicionando a
alocação de recursos. Destaca-se o resultado en-
contrado em que um político da região Norte ou
Nordeste ser ministro da Saúde assegura o dire-
cionamento de novos recursos, de forma atípica,
para o seu reduto político – achado possível de
ser observado, dado o foco de análise qualitativa
em casos outliers. Ao mesmo tempo, é relevante a
identificação da distribuição de recursos do SUS
estar condicionada à combinação de fatores téc-
nicos e políticos – outro aspecto observado em
decorrência da análise qualitativa empreendida.
Por outro lado, o foco nos casos outliers
permitiu tão somente uma análise exploratória
acerca dos efeitos de condicionantes políticos na
alocação de recursos do SUS, o que contribui
na proposição de hipóteses e reflexões teóricas.
Portanto, futuras pesquisas nessa temática são
desejáveis, especialmente considerando outros
objetos de análise, tais como observação de casos
que não sejam extremos, outras regiões geográ-
ficas além de Norte e Nordeste e também aná-
lises sobre investimentos, políticas e programas
específicos do Ministério da Saúde, podendo-se
avaliar o efeito de eventuais fatores políticos nos
resultados na saúde da população – aspecto, por
exemplo, que seria bem relevante.

Referências
1. Simão JB, Orellano VIF. Um estudo sobre a distribui-
ção das transferências para o setor de saúde no Brasil.
Estudos Econômicos 2015; 45(1):33-63.
2. Arretche M, Rodden J. Política distributiva na Fede-
ração: estratégias eleitorais, barganhas legislativas e
coalizões de governo. Dados 2004; 47(3):549-576.
3. Ferreira IFS, Bugarin MS. Transferências voluntá-
rias e ciclo político-orçamentário no federalismo
fiscal brasileiro. Revista Brasileira de Economia 2007;
61(3):271-300.
4. Piola SF. Transferências de recursos federais do Sistema
Único de Saúde para estados, Distrito Federal e municí-
pios: os desafios para a implementação dos critérios da
Lei Complementar nº 141/2012. Brasília: Ipea; 2017.
5. Soares MM, Melo BG. Condicionantes políticos e téc-
nicos das transferências voluntárias da União aos mu-
nicípios brasileiros. Revista de Administração Pública
2016; 50(4):539-562.
6. Amorim Neto O, Simonassi AG. Bases políticas das
transferências intergovernamentais no Brasil (1985-
2004). Brazilian Journal of Political Economy 2013;
33(4):704-725.
7. Jaccoud L, Vieira F. Federalismo, integralidade e auto-
nomia no SUS: desvinculação da aplicação de recursos
federais e os desafios da coordenação. Brasília: Ipea;
2018.
8. Lima LDD. Conexões entre o federalismo fiscal e o
financiamento da política de saúde no Brasil. Cien
Saude Colet 2007; 12(2):511-522.
9. Souza RRD. Redução das desigualdades regionais na
alocação dos recursos federais para a saúde. Cien Sau-
de Colet 2003; 8(2):449-460.
10. Junior AP, Mendes AN. O Fundo Nacional de Saúde e
a prioridade da média e alta complexidade. Argumen-
tum 2015; 7(2):161-177.
11. Ugá MA, Piola SF, Porto SM, Vianna SM. Descen-
tralização e alocação de recursos no âmbito do Sis-
tema Único de Saúde (SUS). Cien Saude Colet 2003;
8(2):417-437.
12. Barros MED, Piola SF. O financiamento dos serviços
de saúde no Brasil. In: Marques RR, Piola SF, Roa AC,
organizadores. Sistema de Saúde no Brasil: organiza-
ção e financiamento. Rio de Janeiro: ABrES; Brasília:
Ministério da Saúde; OPAS/OMS no Brasil. 2016. p.
101-138.
13. Vazquez DA. Mecanismos institucionais de regulação
federal e seus resultados nas políticas de educação e
saúde. Dados 2014; 57(4):969-1005.
14. Arretche M. Financiamento federal e gestão local de
políticas sociais: o difícil equilíbrio entre regulação,
responsabilidade e autonomia. Cien Saude Colet 2003;
8(2):331-345.
15. Marques RM, Mendes A. O financiamento do Sistema
Único de Saúde e as diretrizes do Banco Mundial. In:
Pereira JMM, Pronko M. A demolição de direitos: um
exame das políticas do Banco Mundial para a educação
e a saúde (1980-2013). Rio de Janeiro: Escola Politéc-
nica de Saúde Joaquim Venâncio; 2014. p. 275-293.
16. Guerra M. Modelo de alocação de recursos do sistema
único de saúde para organizações hospitalares: serviços
de alta complexidade [tese]. Universidade de Brasília,
Brasília; 2013.
CC BY Este é um artigo publicado em acesso aberto sob uma licença Creative Commons
3421
Ciência & Saúde Coletiva, 26(Supl. 2):3409-3421, 2021
17. de Paiva AB, Gonzalez RHS, Leandro JG. Coordena-
ção federativa e financiamento da política de saúde:
mecanismos vigentes, mudanças sinalizadas e pers-
pectivas para o futuro. Novos estud. CEBRAP 2017;
36(2):55-81.
18. Brasil. Portaria de consolidação Nº 6, de 28 de setem-
bro de 2017 [e alterações]. Consolidação das normas
sobre o financiamento e a transferência dos recursos
federais para as ações e os serviços de saúde do Sis-
tema Único de Saúde; 2017. [acessado 2019 Abr 30].
Disponível em: http://bvsms.saude.gov.br/bvs/saude-
legis/gm/2017/prc0006_03_10_2017.html
19. Banco Mundial. Governança no Sistema Único de
Saúde (SUS) do Brasil. Melhorando a qualidade do
gasto público e gestão de recursos. Washington (DC):
Banco Mundial; 2007.
20. Lopez FG, organizador. Cargos de confiança no presi-
dencialismo de coalizão brasileiro. Brasília: Ipea; 2015.
21. Creswell JW. Research design: Qualitative, quantitative,
and mixed methods approaches. Thousand Oaks: Sage
publications; 2014.
22. Goertz G, Mahoney J. A tale of two cultures: qualitative
and quantitative research in the social sciences. Prince-
ton: Princeton University Press; 2012.
23. King G, Keohane RO, Verba S. Designing social in-
quiry: Scientific inference in qualitative research. Prin-
ceton: Princeton university press; 1994.
24. R Core Team R: A language and environment for sta-
tistical computing. R Foundation for Statistical Com-
puting, Vienna, Austria; 2019 Disponível em: https://
www.R-project.org/.
25. Ragin CC. Fuzzy-set social science. Chicago: Chicago
University Press; 2000.
26. Ragin CC. Redesigning social inquiry: fuzzy sets and
beyond. Chicago: University of Chicago Press; 2008.
27. Dusa A. QCA with R. A comprehensive resource. New
York: Springer International Publishing; 2019.
28. Pereira C. Medindo a governabilidade no Brasil: o pre-
sidencialismo de coalizão nos governos FHC, Lula e
Dilma. 87 f., il. [dissertação]. Universidade de Brasília,
Brasília; 2017.
29. Schneider C, Wagemann C. Set-theoretic methods for
the social sciences. Cambridge: Cambridge University
Press; 2012.
30. Kahwati LC, Kane HL. Qualitative comparative analy-
sis in mixed methods research and evaluation (Vol. 6).
Thousand Oaks: SAGE Publications; 2018.
Artigo apresentado em 31/05/2019
Aprovado em 07/02/2020
Versão final apresentada em 09/02/2020
Editores-chefes: Romeu Gomes, Antônio Augusto Moura
da Silva